[論文レビュー] Spatial-temporal wind field prediction by Artificial Neural Networks

Jianan Cao, David Farnham+1 more|arXiv (Cornell University)|Dec 13, 2017

Energy Load and Power Forecasting参考文献 13被引用数 5

ひとこと要約

本稿では、大規模な領域（約3.15×10⁶ km²）における6時間および24時間先の空間時系列風速場を予測するため、畳み込み層、LSTM層、逆畳み込み層を組み合わせた深層学習モデルを提案する。このモデルは、恒常性、平均値、ARIMAベースラインを著しく上回り、風力統合および電力系統計画における優れた精度を示している。

ABSTRACT

The prediction of near surface wind speed is becoming increasingly vital for the operation of electrical energy grids as the capacity of installed wind power grows. The majority of predictive wind speed modeling has focused on point-based time-series forecasting. Effectively balancing demand and supply in the presence of distributed wind turbine electricity generation, however, requires the prediction of wind fields in space and time. Additionally, predictions of full wind fields are particularly useful for future power planning such as the optimization of electricity power supply systems. In this paper, we propose a composite artificial neural network (ANN) model to predict the 6-hour and 24-hour ahead average wind speed over a large area (~3.15*106 km2). The ANN model consists of a convolutional input layer, a Long Short-Term Memory (LSTM) hidden layer, and a transposed convolutional layer as the output layer. We compare the ANN model with two non-parametric models, a null persistence model and a mean value model, and find that the ANN model has substantially smaller error than each of these models. Additionally, the ANN model also generally performs better than integrated autoregressive moving average models, which are trained for optimal performance in specific locations.

研究の動機と目的

• 増加する風力発電容量に伴い、送電網運用を支援するための高精度な空間時系列風速予測のニーズに対応すること。
• 点ベースの時系列予測にとどまらず、広大な地理的領域にわたる全領域風速予測へと進化させること。
• 風速場に内在する複雑な空間時系列的依存関係を捉えることが可能な深層学習モデルの開発。
• 実世界の予測シナリオにおいて、非パラメトリックおよび統計的ベースラインと比較してモデルの性能を評価すること。

提案手法

• 入力層として畳み込みニューラルネットワーク（CNN）を用い、歴史的風速データから空間的特徴を抽出する。
• LSTM層を用いて時系列を処理し、風速の変化における長期的依存関係をモデル化する。
• 逆畳み込み層を用いて、潜在表現を出力層で全空間的風速場予測に変換する。
• モデルは、大規模領域（約3.15×10⁶ km²）における歴史的風速データを用いて、6時間および24時間平均の予測を目的にエンドツーエンドで学習する。
• 空間解像度を保持し、局所的およびグローバルな風のパターンを同時に捉えるようにアーキテクチャを設計する。
• モデルの性能は、恒常性、平均値、ARIMAベースラインと比較した標準誤差指標を用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 高精度で大規模地理的領域にわたる空間時系列風速場を予測できる深層学習モデルは、実際に有効に機能するか？
• RQ2 提案されたCNN-LSTM-Deconvモデルは、従来の非パラメトリックおよび統計的モデルと比較して、風速場予測においてどの程度優れているか？
• RQ3 点予測をはるかに超えて、風速データに内在する複雑な空間時系列的依存関係をどの程度正確に捉えることができるか？
• RQ4 本モデルは、研究領域内における多様な地理的場所にわたって一般化性能を示すか？

主な発見

• 提案されたANNモデルは、恒常性モデルおよび平均値モデルと比較して著しく低い予測誤差を達成している。
• モデルは、最適に調整されたARIMAモデルよりも、研究領域の大多数の場所で優れた性能を示している。
• モデルは、大規模領域（約3.15×10⁶ km²）における風速場の空間的パターンと時間的ダイナミクスを的確に捉えている。
• LSTMの使用により、風速時系列における長期的時間的依存関係の効果的なモデル化が可能になった。
• 逆畳み込み層のおかげで高解像度の空間的出力が可能となり、風速場の空間的構造が保持された。
• モデルは多様な地理的地域にわたって優れた一般化能力を示しており、電力系統計画への応用が期待できる。